生成对抗网络在颅脑CT运动伪影校准中的应用

作者：柳柏玉; 梁奕; 李贞; 凡娜; 石敏; 李自凯; 杜柏林; 范文辉^*

来源：临床放射学杂志, 2022, 41(11): 2115-2119.

DOI：10.13437/j.cnki.jcr.2022.11.002

• 生成对抗网络
• 颅脑
• 体层摄影术,X线计算机
• 运动伪影

目的 评估利用生成对抗网络(GAN)去除颅脑CT运动伪影的可行性。方法 回顾性纳入300例因初次颅脑CT扫描存在运动伪影而进行颅脑CT复扫的患者。300例患者图像被随机按照4∶1分为训练集和验证集。每位患者两次颅脑CT扫描所获得的图像分别为初次扫描的含有运动伪影的图像(FTI)以及复扫的无运动伪影的图像(STI)。训练集240例患者，累计4800对FTI-STI图像，用于生成对抗模型的训练。测试集60例患者，累计1200对FTI-STI图像，用于测试模型效能。采用cycle-GAN作为网络框架，通过在训练集中FTI和STI构建映射，以STI为参考图像，将输入训练集中的FTI合成无伪影颅脑CT图像(SCT)。采用均方误差(MSE)定量评估模型生成的SCT和验证集中扫描得到的STI的总体差异。采用峰值信噪比(PSNR)评价SCT与STI的噪声分布差异。采用结构相似性(SSIM)、特征相似度(FSIM)评估SCT和STI的结构和特征相似程度。由两位具有8年以上中枢神经影像诊断经验的医师分别对噪声、伪影、病变显示度以及总体质量进行综合评价。评价采用五级评分法，其中1级表示图像质量最差，难以诊断；5级表示图像质量最好，1～5级图像质量逐级递增。数据正态分布检验采用单样本Kolmogorov-Smirnov检验。符合正态分布的连续变量资料差异性比较采取独立样本t检验。质量评分比较采用Wilcoxon signed-rank检验。等级资料一致性检验采用weighted-kappa系数。P<0.05为差异有统计学意义。结果 训练集和验证集患者性别、年龄、疾病分布差异无统计学意义(P>0.05)。模型生成的SCT的PSNR、SSIM、FSIM、MSE分别为45.1、0.913、0.924、0.003。提示SCT在噪声分布，结构以及纹理特征与STI高度相似。STI组和SCT组的各项质量评估差异无明显统计学意义(P>0.05)。STI组和SCT组的噪声分布、伪影评分、灰白质评分、病变显示度评分均明显优于FTI组，且差异存在统计学意义(P<0.001)。结论 基于生成对抗网络的深度学习模型可以有效减少颅脑CT运动伪影。

• 单位
  长江航运总医院